Wat is kunstmatige intelligentie? Hoe Machine Learning-systemen werken

Kunstmatige intelligentie (AI) is een technologieveld dat computers en machines in staat stelt menselijk leren, begrip, probleemoplossing, besluitvorming, creativiteit en autonomie te simuleren, volgens IBM.

Smalle AI vs. algemene AI

IBM maakt onderscheid tussen twee brede categorieën. Smalle AI, ook wel zwakke AI genoemd, omvat systemen die voor één specifieke taak zijn gebouwd, zoals een spraakassistent of een chatbot. Algemene AI, of sterke AI, verwijst naar een theoretisch systeem met breed begrip over veel taken op menselijk of bovenmaatschappelijk niveau; IBM stelt dat dergelijke systemen momenteel niet bestaan.

Machine Learning: de motor achter de meeste AI

Machine Learning (ML) is de subset van AI gericht op algoritmen die patronen uit trainingsgegevens leren en vervolgens gevolgtrekkingen over nieuwe gegevens trekken, legt IBM uit. Het belangrijkste verschil met traditioneel programmeren is dat een programmeur niet elke regel hoeft op te schrijven. IBM geeft het voorbeeld van spamdetectie: een op regels gebaseerd programma vereist dat een mens definieert hoe spam eruitziet, terwijl een ML-model spam-kenmerken leert door zelf veel e-mailvoorbeelden te bestuderen.

Drie hoofdtypen van leren

Volgens IBM worden Machine Learning-systemen over het algemeen op een van drie manieren getraind. Begeleide lering gebruikt gelabelde gegevens met bekende juiste antwoorden voor taken zoals het classificeren van items of het voorspellen van een continu waarde zoals een prijs. Onbegeleid leren werkt met niet-gelabelde gegevens en zoekt naar verborgen structuren, zoals het groeperen van vergelijkbare klanten. Versterkingslering traint een systeem door vallen en opstaan, het belonen van acties die het naar een doel brengen zodat het geleidelijk een optimale strategie leert.

Waar AI al aanwezig is

IBM somt klantenservicechatbots, fraudedetectie, gepersonaliseerde marketingaanbevelingen, door AI ondersteund recruitmentsscreening, codegeneratietools en voorspellend onderhoud op als huidige toepassingen. Afzonderlijk voegt IBMs Machine Learning-overzicht autonome voertuigen, e-mailspamfiltering, ondersteuning bij medische diagnose, aanbevelingsmotoren en taaltranslatie toe aan de lijst met ML-gestuurde technologieën die al in gebruik zijn.

Bekende beperkingen: hallucinaties en vooroordeel

Generatieve AI-systemen kunnen "hallucinaties" produceren — vervalste informatie die authentiek lijkt, volgens de Teaching & Learning Technologies-groep van MIT Sloan. MIT Sloan wijst op een veel gerapporteerde zaak waarin een advocaat ChatGPT voor juridisch onderzoek gebruikte en het hulpmiddel zaakaanhalingen verzond die niet bestonden. De groep verwijst naar onderzoek dat aantoont dat chatbots voor algemeen gebruik in 58% tot 82% van geteste juridische query's hallucineerden, terwijl gespecialiseerde juridische tools met retrieval-augmented generation nog steeds in meer dan 17% van de gevallen hallucineerden.

MIT Sloan schrijft hallucinaties toe aan drie factoren: trainingsgegevens die nauwkeurige en onnauwkeurige informatie mengen, die modellen kunnen reproduceren; het onderliggende ontwerp van generatieve systemen, die functioneren als "geavanceerde autocompleteprogramma's" die waarschijnlijke volgende woorden voorspellen in plaats van feiten te verifiëren; en architecturale limieten die modellen toestaan patronen op nieuwe, soms onnauwkeurige manieren te combineren, zelfs met schone trainingsgegevens.

Over vooroordeel rapporteert MIT Sloan dat onderzoeken hebben aangetoond dat AI-systemen geslachts- en raciaal stereotypen in gegenereerde afbeeldingen kunnen versterken en feedback, beoordeling of professionele aanbevelingen van verschillende kwaliteit kunnen leveren, afhankelijk van demografische aanwijzingen in een prompt. De groep voert dit terug naar trainingsgegevens die bestaande maatschappelijke vooroordelen bevatten, die modellen reproduceren zonder het vermogen onderscheid te maken tussen goed en fout. IBMs overzicht markeert ook gegevensrisico's zoals vergiftiging of ingebedde vooroordelen, modelrisico's zoals diefstal of parametermanipulatie en operationele risico's zoals modeldrift als bredere zorgen voor organisaties die AI implementeren.

Waarom dit nu belangrijk is

IBM merkt op dat de moderne AI-discussie wordt gedomineerd door generatieve AI — systemen die originele tekst, afbeeldingen, video's en andere content creëren in plaats van alleen bestaande gegevens in te delen of te voorspellen. Nu deze tools op werkplekken, scholen en dagelijkse apps opdagen, helpt dezelfde onderliggende mechaniek — het leren van patronen uit trainingsgegevens — zowel hun mogelijkheden als hun gedocumenteerde beperkingen uit te leggen, inclusief de hallucinatie- en vooroordeel-kwesties die MIT Sloan beschrijft.